Meta 发布 Muse Voice Transcribe，实时转写 WER 3.1%、每小时仅 0.18 美元

Meta Superintelligence Labs 发布 Muse Voice Transcribe，把实时语音转文字、区分说话人以及判断“用户是否已经说完”这三件事放进同一个模型里。它最长能处理超过 1 小时的音频，并同时分辨出 20 多个说话人。

英文实时转写测试：WER 3.1%，低于两款竞品

在 Artificial Analysis 的英文实时转写测试里，Muse Voice Transcribe 的词错误率（WER，越低越好）为 3.1%。作为对比，GPT Live Transcribe 是 3.9%，Gemini 3.5 Transcribe Live 是 4.0%。

延迟控制：每 80ms 决定一次“继续听还是开始输出”

说话结束后约 0.16 秒，模型就能给出最终文本。它没有给所有词固定同一个等待时长，而是每次读取 80ms 音频，再自己判断该继续听，还是开始输出。简单词可以更快写出，难词则多听一些上下文再确认。Meta 用强化学习同时优化准确率和延迟。

多语言、集成与定价

该模型使用 70 多种语言训练，其中 25 种已经做过重点验证，还可以直接识别同一句话里中英文混说。

目前 Muse Voice Transcribe 已经接入 Meta AI for Mac 和 Muse Code，也开放了 Meta Model API。价格为每 1000 分钟 3 美元，换算下来约每小时 0.18 美元。